論文の概要: Spiking neurons as predictive controllers of linear systems
- arxiv url: http://arxiv.org/abs/2507.16495v1
- Date: Tue, 22 Jul 2025 11:50:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:14.097057
- Title: Spiking neurons as predictive controllers of linear systems
- Title（参考訳）: 線形系の予測制御系としてのスパイキングニューロン
- Authors: Paolo Agliati, André Urbano, Pablo Lanillos, Nasir Ahmad, Marcel van Gerven, Sander Keemink,
- Abstract要約: 現在のスパイク制御は、アナログ制御を近似するためにスパイク信号のフィルタリングに依存する。
本稿では,スパース神経活動を伴うタスク特異的スパイキング制御のためのスケーラブルな方法を提案する。
物理的に制約されたシステムでは、予測制御が必要であり、制御信号は最終的に下流システムの受動力学を利用して目標に到達する。
- 参考スコア（独自算出の注目度）: 1.773217790947073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neurons communicate with downstream systems via sparse and incredibly brief electrical pulses, or spikes. Using these events, they control various targets such as neuromuscular units, neurosecretory systems, and other neurons in connected circuits. This gave rise to the idea of spiking neurons as controllers, in which spikes are the control signal. Using instantaneous events directly as the control inputs, also called `impulse control', is challenging as it does not scale well to larger networks and has low analytical tractability. Therefore, current spiking control usually relies on filtering the spike signal to approximate analog control. This ultimately means spiking neural networks (SNNs) have to output a continuous control signal, necessitating continuous energy input into downstream systems. Here, we circumvent the need for rate-based representations, providing a scalable method for task-specific spiking control with sparse neural activity. In doing so, we take inspiration from both optimal control and neuroscience theory, and define a spiking rule where spikes are only emitted if they bring a dynamical system closer to a target. From this principle, we derive the required connectivity for an SNN, and show that it can successfully control linear systems. We show that for physically constrained systems, predictive control is required, and the control signal ends up exploiting the passive dynamics of the downstream system to reach a target. Finally, we show that the control method scales to both high-dimensional networks and systems. Importantly, in all cases, we maintain a closed-form mathematical derivation of the network connectivity, the network dynamics and the control objective. This work advances the understanding of SNNs as biologically-inspired controllers, providing insight into how real neurons could exert control, and enabling applications in neuromorphic hardware design.
- Abstract（参考訳）: ニューロンは、スパースと驚くほど短い電気パルス、またはスパイクを介して下流システムと通信する。
これらのイベントを使用して、接続回路内の神経筋単位、神経分泌系、その他のニューロンなどの様々な標的を制御する。
これにより、スパイクが制御信号となるニューロンをコントローラーとしてスパイクするというアイデアが生まれた。
制御入力として即時イベントを直接使用する場合、"インパルス制御"とも呼ばれるが、大きなネットワークにうまくスケールせず、分析的トラクタビリティが低いため、難しい。
したがって、現在のスパイク制御は通常、アナログ制御を近似するためにスパイク信号のフィルタリングに依存する。
これは究極的には、スパイクニューラルネットワーク(SNN)は、下流システムに連続的なエネルギー入力を必要とする連続的な制御信号を出力しなければならないことを意味する。
そこで我々は,スパース神経活動を伴うタスク特異的スパイキング制御のためのスケーラブルな方法として,レートベース表現の必要性を回避する。
最適制御理論と神経科学理論の両方からインスピレーションを得て、スパイクがターゲットに近づくと、スパイクが放出されるというスパイクルールを定義します。
この原理から,SNNに必要な接続性を導出し,線形システムの制御に成功していることを示す。
物理的に制約されたシステムでは、予測制御が必要であり、制御信号は最終的に下流システムの受動力学を利用して目標に到達する。
最後に,制御手法が高次元ネットワークとシステムの両方に拡張可能であることを示す。
重要なのは、ネットワーク接続性、ネットワークダイナミクス、制御目的のクローズドフォームな数学的導出を維持することだ。
この研究は、SNNを生物学的にインスパイアされたコントローラとして理解し、実際のニューロンがどのように制御するかを洞察し、ニューロモルフィックハードウェア設計への応用を可能にする。
関連論文リスト
- Fully Spiking Actor Network with Intra-layer Connections for
Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。
既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。
浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文 参考訳（メタデータ） (2024-01-09T07:31:34Z) - Neural Control: Concurrent System Identification and Control Learning with Neural ODE [13.727727205587804]
ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するニューラル・ODEに基づく手法を提案する。
本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。
実験では,未知の力学系の最適制御を学習するためのモデルの有効性を実証した。
論文 参考訳（メタデータ） (2024-01-03T17:05:17Z) - Rational Neural Network Controllers [0.0]
最近の研究は、制御システム(ニューラルフィードバックループとして知られる)におけるニューラルネットワークの有効性を実証している。
このアプローチの大きな課題のひとつは、ニューラルネットワークが敵の攻撃に敏感であることが示されていることだ。
本稿では、有理性ニューラルネットワークを考察し、ニューラルフィードバックループのロバストネス問題に有効に使用できる新しい有理性活性化関数を提案する。
論文 参考訳（メタデータ） (2023-07-12T16:35:41Z) - Closed-form control with spike coding networks [1.1470070927586016]
スパイキングニューラルネットワーク(SNN)を用いた効率的かつ堅牢な制御は、依然として未解決の問題である。
スパイク符号化ネットワーク(SCN)の神経科学理論を,クローズドフォームの最適推定と制御を取り入れて拡張する。
模擬スプリング・マス・ダンパーおよびカート・ポールシステムのロバストなスパイク制御を実証した。
論文 参考訳（メタデータ） (2022-12-25T10:32:20Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Neural optimal feedback control with local learning rules [67.5926699124528]
運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。
本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-12T20:02:00Z) - Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for
Model Free Control [1.3764085113103217]
ニュートラル適応コントローラは、新しい重み更新法則に基づいて訓練されたディープニューラルネットワークを特徴とする実装である。
制御器は、非線形プラントを迅速に学習することができ、追従制御問題において優れた性能を示す。
論文 参考訳（メタデータ） (2021-07-21T22:46:03Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳（メタデータ） (2020-12-29T18:59:14Z) - Deep Reinforcement Learning for Neural Control [4.822598110892847]
本稿では,深部強化学習に基づくニューラルサーキットの制御手法を提案する。
ニューラルネットワークとそのコネクトームをグリッドワールドにマッピングし、目的とする動作を達成するために必要なアクションを推論する。
ケモタキシーの制御のために神経ペプチド電流とシナプス構造を推定した。
論文 参考訳（メタデータ） (2020-06-12T17:41:12Z) - Graph Neural Networks for Decentralized Controllers [171.6642679604005]
自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。
最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。
グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-23T13:51:18Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。